精準人臉識別及測溫技術在疫情防控中的應用

彭駿 吉綱 張艷紅 占濤

摘 要：為了改善復雜環境下的人臉識別精度，特別是在當前疫情防控轉入常態化的形勢下，提升戴口罩場景下的人臉識別精度及紅外測溫精度至關重要。基于對場景數據的統計和分析，通過對識別參數的動態優化，提升人臉算法識別精度;基于人臉檢測的戴口罩檢測算法，自動識別是否戴口罩，并針對戴口罩場景采用專用的人臉識別模型，提升人臉識別性能;基于人臉檢測的紅外測溫技術，自動識別測溫區域和距離，并對測溫結果進行校正，提高測溫精度。結果表明，開放場景下識別準確率超過98%;人證核驗場景下識別準確率超過93%，戴口罩場景下識別準確率超過92%，紅外測溫誤差小于0.3℃。基于場景適配的參數優化策略，能夠在不依賴核心算法性能提升的條件下，使得人臉算法識別性能提升7%;基于人臉檢測的紅外測溫技術，通過溫度補償策略，使得測溫誤差小于0.3℃。

關鍵詞：深度學習;神經網絡;自適應算法;口罩檢測;精準測溫

DOI：10. 11907/rjdk. 202013

中圖分類號：TP301 文獻標識碼：A 文章編號：1672-7800（2020）010-0008-07

Abstract： In order to improve the accuracy of face recognition in complex environment， especially in the situation of normalization of epidemic prevention & control， it is vital to improve the? accuracy of face recognition in the scene of wearing masks and the accuracy of infrared temperature measurement. Based on the statistics and analysis of scene data， the recognition accuracy of face algorithm is improved through the dynamic optimization of recognition parameters. Face mask detection algorithm base on the face recognition can be used to automatically recognize if a person is wearing a face mask or not? and the particular face recognition model is applied in a face mask-wearing scenario to increase the performance of face recognition; the infrared temperature measurement technology based on face detection can automatically identify the temperature measurement area and distance， and correct the temperature measurement results to improve the accuracy of temperature measurement. The results show that the recognition accuracy is more than 98% in the open scene， 93% in the witness verification scene， 92% in the mask wearing scene， and the infrared temperature measurement error is less than 0.3 ℃. The parameter optimization strategy based on scene adaptation can improve the recognition performance of face algorithm by 7% without relying on the performance improvement of the core algorithm; the infrared temperature measurement technology based on face detection can make the temperature measurement error less than 0.3 ℃ through the temperature compensation strategy.

Key Words：deep learning; neural network; adaptive algorithms; face mask detection; accurate temperature measurement

0 引言

隨著5G、人工智能、物聯網等技術的快速發展，“新基建”的興起加快了產業數字化轉型升級。新冠疫情突發后，智慧城市管理需要貼合數字化轉型升級，在保障安全健康運行中體現高精度、泛連接、智融合，將是未來科技防控服務的重點。

隨著智能硬件運算能力的提升和配套人臉識別算法性能的增強，人臉識別算法在越來越多的場景中得到實際應用。相對于其它生物識別技術，人臉識別技術具有自然性、非接觸性、非侵擾性和使用便捷等優點，并在酒店、考勤和宿管等系統中得到廣泛應用[1-4]。但是在實際應用場景中，人臉識別效果容易受到環境光線、成像質量、人臉姿態、遮擋、表情等因素影響[5]。如何提升人臉算法在不同場景下的識別準確率，克服環境因素帶來的不利影響，是當前面臨的核心問題。程森林[6]提出一種新的人臉識別模型Mir-Net，在少量數據上使用遷移學習方法，認為不同的個體存在共性，將人臉與人臉之間的共性提取出來，用剩下的特性進行分類，會提升人臉識別準確率;張昀[7]提出一種基于隨機點積圖的人臉識別算法，并使用Gabor特征以提高算法對圖像光照變化的魯棒性;胡渝蘋[8]提出一種基于深度學習的跨年齡人臉識別算法，將HOG和CSLBPS組合方法應用于人臉圖像特征提取。

以上方法都試圖在核心算法層面解決場景適配問題，不僅實施難度大，而且效果不太理想。本文介紹一種基于場景適配的參數優化策略，能夠在不依賴核心算法性能提升的條件下，將算法評測與參數優化技術相結合，解決人臉算法在不同場景下的適配問題，增強了人臉算法在不同業務場景下的適應性;將人臉檢測與戴口罩檢測技術相結合，判斷相關人員是否正確佩戴口罩，降低了算法復雜性，實現了快速高效檢測;將人臉檢測與紅外測溫技術相結合，實現精準的人體測溫，避免了測量結果不準和情況誤報;將戴口罩人臉識別與紅外測溫技術相結合，實現快速健康篩查和記錄，方便疫情防控和溯源。

1 精準人臉識別技術與應用

1.1 人臉識別算法場景適應性

由深度學習神經網絡、馬爾科夫算子、千萬級人臉訓練數據、不同環境算法定制等部件，構成高精度人臉算法引擎，從而適應多種卷積網絡和計算資源環境下的高精度和高性能，特別是高性能輕量級網絡實現，在保持大型卷積網絡性能的同時，參數量縮減90%，實現x86/ARM處理器實時神經網絡系統，以及嵌入式設備低功耗神經網絡系統。為了全面準確地衡量一套人臉識別算法的算法性能，為算法開發人員提供算法優化依據[9]，需要建立一套科學的算法評測系統。

利用普利商用技術團隊自主研發的人臉識別算法大數據評測系統，定期對不同場景、不同設備的人臉照片進行評測、統計和分析，通過對識別參數的動態優化，極大地提升了場景自適應算法精度。除算法本身性能外，環境光線、攝像頭成像質量、人臉姿態角和底庫照片質量等因素也會對最終識別效果產生很大影響。為此，普利商用技術團隊通過兩項措施提高算法環境適應性：

（1）對現場照片進行質量篩選。具體做法是定期收集現場照片，用人臉質量分析算法對人臉的大小、姿態角、模糊度、亮度、對比度和置信度等參數進行估算，并對估算結果進行統計分析，以找到最合適的參數設置。通過調整參數設置，可以在一定程度上降低誤識率，提高識別通過率，詳細結果如表1所示。

（2）對底庫照片進行定期添加或更換。對一些容易誤識或拒識的人員，經過分析發現，有很大一部分原因是底庫照片的問題，通過更換成質量較好的照片，特別是從現場照片中選擇質量較好的照片，并將其添加到底庫中，可以有效改善誤識或拒識現象，詳細結果如表2所示。

為了更加精準地評價人臉識別算法對特定場景的適應性，普利商用技術團隊專門建立了一套跨平臺的算法評測系統，該系統在傳統專用人臉算法測試工具基礎上，擴展為集測試管理平臺、測試客戶端、通信中間件及終端測試程序為一體的人臉算法評測系統，由測試客戶端對用戶信息、測試數據、測試用例、測試任務、測試結果和測試日志等內容進行統一管理，各平臺的終端測試程序通過統一的接口規范接入測試系統，由測試客戶端統一下發測試數據和測試用例，由終端測試程序執行測試用例，并上報測試結果和測試狀態。總體框架如圖1所示。

其優勢在于：①對測試相關的數據資源進行統一管理，通過統一身份認證的接口和權限管理模塊保證測試數據安全;②通過統一的通信中間件自動接入不同的硬件平臺，可實現測試參數的動態配置以及測試平臺的動態擴展;③由測試平臺統一配置測試方法、管理測試數據、統計測試結果，方便對不同人臉算法進行對比測試，保證測試結果公正統一;④充分利用測試平臺的運算能力，最大限度地實現了軟件模塊的功能復用，有效節省了運營成本和開發資源。

借助該算法評測系統，可以對不同平臺的人臉識別算法在實際業務場景下的人臉檢出率、識別性能、運行速度、并發能力、穩定性和可靠性等指標進行詳細測試。其中，人臉檢出率測試方法為：針對不同場景的數據集進行人臉檢測，在不同閾值條件下，分別統計人臉檢測置信度大于閾值時的真正例TP和假正例FP，其中TP是標定和檢測結果交并比大于0.5，而FP是標定和檢測結果交并比小于0.5，根據測試結果繪制不同FP下的TPR曲線;人臉識別率測試方法為：針對不同場景的數據集進行人臉比對，在不同閾值條件下，分別統計人臉識別率和誤識率，其中識別率=同人比較大于等于閾值的次數/同人比較總次數，誤識率=非同人比較大于等于閾值的次數/非同人比較總次數;人臉算法運行速度的測試方法為：選取兩張人臉照片，分別在不同的硬件平臺上測試執行人臉檢測和提取特征值所需的時間，每項測試重復測試300次，取平均時間。針對不同算法，采用相同的人臉照片和硬件平臺進行測試。圖2、表3和表4分別表示一些人臉識別算法在人臉檢出率、人臉識別率和運行速度方面的測試結果。

為了方便不同廠家、不同平臺的人臉算法接入人臉算法評測系統，普利商用技術團隊分別在Windows、Linux和Android平臺專門設計了統一的接口規范和插件封裝示例，用戶只需要按照接口規范的要求，并參考示例程序，就可以很方便地將自己的算法接入人臉算法評測系統。

1.2 基于人臉識別的口罩佩戴檢測

在突如其來的新型冠狀病毒疫情面前，口罩佩戴檢測算法應運而生。目前，解決該遮擋類型人臉的檢測識別問題[10]，一般都是采用深度學習方法，即通過設計CNN網絡，訓練標注好的口罩人臉數據，實現對口罩佩戴情況的檢測。常見的口罩人臉檢測思路有3種：①多類別目標檢測，如國內初創公司AIZOO提出一種基于SSD框架的輕量級口罩佩戴檢測算法;②目標檢測+分類，如百度開源的基于PyramidBox訓練的口罩佩戴檢測算法，還有滴滴出行科技有限公司提出的基于DFS的口罩佩戴檢測算法[11]，其在人臉檢測后加入Attention機制來關注口罩區域，其口罩檢測流程如圖3所示;③人臉檢測+人臉關鍵點定位+口罩實例分割，如國內UCloud AI團隊提出的口罩佩戴檢測算法[12]，在識別準確率和泛化能力上都有良好表現。實現方法是基于現有的通用人臉檢測算法，對人臉區域進行分類，判斷是否佩戴口罩。該算法不但實時性較強，而且識別準確率較高，此外還可作為一個獨立的模塊在人臉識別系統中靈活集成。

1.2.1 算法原理

人臉檢測算法作為本文口罩識別算法的預處理步驟，將獲取的人臉區域傳入口罩算法模型，其內部網絡結構如圖4所示，輸入圖像blob為[1，3，112，112]。

整個網絡沒有設計特殊層，主要采用了常見的卷積、池化、全連接等運算操作，開始部分采用11*11的較大卷積核對輸入的裁剪人臉圖像進行簡單的特征提取，如面部顏色、邊緣等特征，得到26*26大小的特征圖;網絡第二層為池化層，核大小為3，對第一層的輸出進行最大池化操作，降低了特征表示的空間大小，實現了對顯著紋理特征的學習;網絡第三層采用卷積層，特征圖邊緣擴充了2個像素，卷積核大小為5，以使輸出特征圖大小保持不變，即13*13，但深度方向有所擴充，實現了不同卷積特征的組合;網絡第四層采用池化層，也是進行最大池化操作，輸出特征圖大小減半;接下來，網絡采用3個卷積層，對池化后得到的特征圖進行連續的特征提取，進一步學習比較抽象的高級特征;第五、六、七層均采用大小為3的小卷積核，輸出相同大小的特征圖，最后得到的blob維度為[1，32，6，6];網絡第八層依然采用了池化層，進行最大池化降維，特征圖尺度減半;網絡第九和十層都采用了全連接層，逐步降低維度，并最后通過Softmax處理，得到更為抽象的特征作為口罩辨識依據，即戴或不戴口罩的概率似然值。

1.2.2 算法實現與測試

首先收集訓練和測試用口罩人臉數據，包括兩部分：一是網絡公開數據，二是自采集數據，其中自采集數據考慮的因素如表5所示。

數據收集完畢后，開始進行數據清洗和標注，由于本口罩檢測算法主要辨識是否佩戴口罩，即屬于二分類情形，對一些未正確佩戴口罩的人臉按照是否看到嘴巴的原則酌情劃分到戴和不戴口罩的數據集中。隨后，進行網絡相關配置后即可開始訓練，從最終訓練迭代結果看，在訓練集上是收斂的。

最后，對訓練出的Caffe模型在測試集上進行測試，識別準確率高達99.3%左右。算法在實際產品中的使用效果如圖5所示。

1.2.3 結論

基于人臉檢測結果的口罩識別算法在實際應用中具有運行速度快、模型小而便于分發部署以及識別準確率較高等優點。對于是否正確佩戴好口罩和是否佩戴醫學防護類型口罩的諸類問題，后續會繼續采集相關數據，并從網絡優化的角度予以解決。

1.3 戴口罩場景下的人臉識別

由于新冠肺炎疫情影響，為了減少病毒傳播，人員在進入各種公共場合，如醫院、公交車、火車站、地鐵站、商場和學校等場所時，皆須佩戴好口罩。當人員帶上口罩時會遮擋住大部分人臉特征，從而導致人臉識別模型性能急劇下降，甚至無法識別[13]，這對傳統人臉識別算法構成很大挑戰。人臉識別作為一種非常成熟的應用，已成功在多種場景落地，如人臉登錄、刷臉支付、人臉考勤等。如何保證在戴口罩的場景下也能夠正確識別，成為當前面臨的一個挑戰。

針對戴口罩的人臉識別，有兩種解決方案：一是選擇一套適合戴口罩的人臉識別算法，收集大量的戴口罩人臉照片，并進行人工標注，然后通過迭代訓練得到一個合適的模型。采用該方法的最大困難就是如何在短期內收集到大量戴口罩的人臉照片，并完成標注;二是充分利用人臉未遮擋區域[14]，如眼睛、眉毛、臉部輪廓等，提高這些可見區域的權重，并采取針對性的局部特征增強策略[15-16]。這種算法可以利用現有數據集，結合人臉關鍵點定位算法，模擬人臉被口罩遮擋的情形，計算可見區域的具體位置，合成一個戴口罩的人臉圖片，然后利用這些合成的照片訓練出一個專用模型。

根據自身條件限制，普利商用技術團隊選擇了第2種方案，充分利用現有的數據集模擬出大量的戴口罩人臉照片，并收集到部分真實的戴口罩人臉照片，然后將這兩部分數據合成一個較大的訓練數據集。針對大部分人臉特征被遮擋的情況，技術人員設計了一個人臉可見區域權重增強的網絡，并利用該網絡訓練出一個專用模型。具體做法是先利用戴口罩檢測算法進行檢測，如果檢測出沒有戴口罩，則調用通用的人臉識別算法;如果檢測出有戴口罩，則調用專用的口罩特征識別算法。具體流程如圖6所示。

采用這種方法，戴口罩場景下的人臉識別準確率有了很大提高，具體結果如圖7所示。

戴口罩場景下的人臉識別算法在實際產品中的使用效果如圖8所示。

2 基于人臉檢測的精準測溫技術實現

隨著疫情防控逐步轉為常態化階段，如何在公共場合通過體溫監測快速有效地判斷人健康狀況，是當前面臨的一個重要問題。其核心是如何在確保測溫準確性的同時，提升測溫環節的通行效率并優化體驗，降低測溫對日常工作和生活的影響。將人臉識別與測溫相結合，實現額溫精準定位、高效無感測溫、精準人溫綁定，成為AI助力疫情防控的重要一環。

普利商用人臉測溫閘機所用的測溫模組型號為ST16-TPIL16TRS1，它由一個16個單元的熱電堆傳感器及溫控控制板組成。測溫模塊的優勢是可以在20cm檢測到人體額頭溫度，并且響應速度快，測溫時間少于2S，精度高，在45cm距離下，可達±0.3℃。非常適用于人體體溫遠距離檢測相關產品，如打卡機、自動感應門、檢測門等。

2.1 測溫適宜距離

根據紅外測溫原理，物體的紅外輻射強度與溫度呈一定函數關系，而測溫距離直接影響紅外輻射強度，為了實現精準測溫，需確定合適的測溫距離。

（1）前后距離越近，溫度值越高。同一距離處，傳感器正對額頭中心時溫度值最高，四周移動位置后溫度值會降低（具體指標參考第2.2部分）。

（2）以額溫槍測溫值為參考，額頭與傳感器最優檢測距離約為25～35cm之間，其它距離需要進行溫度補償。具體數值可參考圖9，其中溫度誤差=實際值（ST16模組）-基準值（額溫槍），當距離在10cm以內和120cm以外時，溫度誤差絕對值較大（有失準確性），后者范圍測出的溫度值可能會出現較大跳變。

（3）測溫策略：參考圖9和圖10，在不同的人臉寬度范圍（不同的距離），給出的溫度補償值如表6所示，建議的測溫距離為60～70cm，對應的人臉寬度為80～95pixel。

2.2 測溫區域范圍

在-0.3～0℃誤差范圍內，獲取測溫矩形區域范圍（寬和高）：①測溫距離20cm時，測溫矩形區域約為10cm*20cm;②測溫距離30cm時，測溫矩形區域約為12cm*30cm;③測溫距離50cm時，測溫矩形區域約為13cm*36cm。

2.3 額溫測量

在人臉測溫閘機上，先利用可見光圖像進行人臉檢測，獲取用戶人臉矩形框和關鍵點位置，然后摳出人臉額頭區域，進而依據事先校正過的可見光圖像與熱度圖像之間的映射關系[17]，可以獲取落在人臉額頭區域點陣的最高溫度，并在該溫度的基礎上，參考表6中的溫度補償值依據用戶的人臉矩形框寬度作進一步修正，從而得到最終的實際測量溫度，以此作為人體溫度，該方法可以避免測溫距離帶來的誤差，并排除測溫傳感器視野中熱水杯等其它熱源的干擾。如圖11所示。

3 技術應用（主要產品及典型場景）

3.1 相關產品

3.1.1 測溫人證核驗手持終端iDR420

測溫人證核驗手持終端iDR420屬于智能信息采集識別終端，多功能智能身份核驗專用產品，結合人臉識別、身份證、射頻卡、安全認證和加密技術等，通過可選配高精度內置熱電堆傳感器，實現快速精準測溫，支持高安全下的身份核驗、人證核驗、溫度/信息采集及預警、數據管理等功能，并可對接各類業務系統。產品如圖12所示。

應用領域：廣泛適用于政務大廳、園區、寫字樓、商超、酒店、社區、營業廳、工地等場景下的人員進出身份核驗與識別、體溫檢測、信息管理與追溯等。配合多行業防疫防控需求，已陸續在政務、園區、樓宇、小區、工地等場景落地，推動了公共治安管理與公共衛生安全的雙重守護。

3.1.2 智能人臉測溫控制終端iDR760

智能人臉測溫門禁終端iDR760（內置高精度紅外測溫模塊），運用人臉識別、證卡核驗、低功耗智能物聯、數據分析等技術，實現人臉識別（含口罩識別、活體檢測）、身份核驗、人體溫度快速檢測及預警提示、記錄追溯、門禁考勤控制等功能，并支持提供第三方接入SDK，可提供完整的二次開發包（SDK），方便用戶自行定制需求。可滿足常態化冠疫管控、人員身份核驗和出入通行管理多重需求。產品如圖13所示。

應用領域：廣泛適用于政務大廳、園區、寫字樓、酒店、商超、社區、營業廳、工地等場景下的人員進出身份核驗與識別、通行管理（門禁考勤）、體溫檢測、信息管理與追溯等。

3.2 典型應用

3.2.1 產業園區樓宇領域——基于人員軌跡的中小企業園區管控

基于人員軌跡的中小企業園區管控，實現內部員工出入管理、外部訪客出入管理、辦公區等人員聚集區域管理、門禁考勤、重點區域防范等全場景智能化管理。

前端采用AI人臉識別測溫智能終端，配合人證比對、人臉識別、紅外測溫，實現無接觸式人體溫度快速檢測、登記記錄、身份核驗、門禁控制、自動預警等功能。針對園區管理對象復雜，安全防控與人員管理需求高、防疫測溫效率及安全性高、高危安全事件預警等核心需求，將人臉識別、無感測溫與無感通行結合，快速識別人員信息并進行測溫登記，實現內部員工出入管理、外部訪客出入管理、辦公區等人員聚集區域管理及智能化管理等企業出入全場景智能化管理。

3.2.2 酒店文旅領域——復雜場景下人證核驗管理應用

針對公安部《旅館業治安管理條例》管理要求及酒店行業特點需求，采用人臉識別技術進行人證比對和客戶身份確認，確保人證合一，并支持公安部聯網核查，提升身份核查準確性和便利性。

通過不同環境下的算法定制，實現在酒店復雜場景下人員身份與行為的精準識別，在一定程度上在星光環境及復雜光線等情況下，人員身份識別及行為判別易受到視角變化、表情變化、明暗變化、遮擋、模糊等因素影響而存在人員身份識別與行為判別誤識率高的問題，有效提升了人臉識別、活體檢測、態勢感應等技術適配能力。通過動態人臉補光技術改善人臉識別終端在低照度和逆光環境下的識別效果，利用微波、光感及人臉檢測技術，實時感知人體接近、環境照度及人臉亮度，并根據感知到的數據自動調整補光策略。通過人臉檢測及照片質量分析技術改善用戶交互體驗，實時檢測人臉位置、姿態角、亮度及清晰度等參數，并根據檢測結果，采用語音、文字和動畫等形式提示用戶，有效提高人臉識別通過率，縮短識別時間，減少誤識。

目前，此方案已經在北京、海南、廣東、河南、云南、四川、青海等近萬臺星級酒店部署應用，實現了知名民宿、連鎖公寓式酒店人證核驗入住管理，占據細分垂直行業領先。

4 結語

本文提出了一種基于人臉算法的評測系統，在不依賴核心算法性能提升的情況下，通過定期對場景數據進行統計分析，并對識別參數進行動態優化，提升了人臉算法的識別性能;針對戴口罩的特殊場景，設計一種針對未遮擋區域的特征增強算法，采用特定的數據集進行訓練，提升了戴口罩場景下的人臉識別效果。此外，基于人臉檢測技術，對紅外測溫的誤差進行補償，提升了紅外測溫精度。相關技術方案已在普利商用的實際產品中進行了落地應用，為疫情防控提供了技術支撐。

參考文獻：

[1] 景晨凱，宋濤，莊雷，等. 基于深度卷積神經網絡的人臉識別技術綜述[J]. 計算機應用與軟件，2018，35（1）：223-231.

[2] 張珣，權家運.基于深度置信網絡的酒店入住管理系統研究[J]. 軟件導刊， 2020，19（6）：125-129.

[3] 吳永斌，濮永仙，肖坤娥，等.學生宿舍人臉識別考勤系統設計[J].軟件導刊， 2020， 19（6）：113-116.

[4] 宿靜宜，劉久付，楊明海.采用人臉身份識別的智慧門禁系統[J].軟件導刊， 2019，18（4）： 32-35.

[5] 張卓群，曹鐘淼，王慧，等.深度學習與人臉識別算法研究[J].軟件，2019，9（1）：199-204.

[6] 程森林.基于監控場景下深度學習的人臉識別研究與設計[D].北京：北京郵電大學，2019.

[7] 張昀.基于子空間嵌入和深度學習的人臉識別研究[D].合肥：中國科學技術大學，2018.

[8] 胡渝蘋.基于HOG-CSLBP與深度學習的跨年齡人臉識別算法[J].西南師范大學學報（自然科學版）， 2020，45（3）：115-120.

[9] 潘青華， 潘松.人臉識別技術性能評價方法優化與實踐[J].中國標準化， 2019，62（15）：159-164.

[10] 衣帥，朱建生，景輝.鐵路刷臉場景下基于MTCNN的人臉遮擋識別研究[J].計算機仿真，2020，37（5）：96-99.

[11] 謝征宇，曹志威，李永玲，等.基于視頻的軌道交通車站乘客口罩佩戴檢測及測溫技術[J].中國鐵路，2020，28（3）：126-131.

[12] 王遠大.UCloud開放人臉口罩檢測服務 借助AI算法加快疫情防控[J].通信世界，2020，21（5）：33-34.

[13] 戴新宇.基于半臉的人臉檢測和識別方法的研究[D].上海：華東理工大學，2018.

[14] SONG L， GONG D， LI Z， et al. Occlusion robust face recognition based on mask learning with pairwise differential siamese network[C]. International Conference on Computer Vision，2019：773-782.

[15] 仝瓊琳，蘇金善.遮擋人臉識別技術研究綜述[J].伊犁師范學院學報（自然科學版），2020，14（1）：49-57.

[16] 周孝佳， 朱允斌， 張躍.基于分塊的有遮擋人臉識別算法[J].計算機應用與軟件， 2018， 35（2）：183-187.

[17] 周明，顧朝敏，張樹亮，等.基于智能監測終端的可見光與紅外圖像配準融合方法[J].河北電力技術，2019，38（6）：40-43.

（責任編輯：孫 娟）